Appréciation de l'intérêt du secteur minier pour les SMA pour l'analyse prospective du marché des métaux stratégiques

HAL Id: hal-01020898

https://hal-brgm.archives-ouvertes.fr/hal-01020898

Submitted on 25 Sep 2014

HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

Appréciation de l’intérêt du secteur minier pour les SMA pour l’analyse prospective du marché des métaux

stratégiques

Fenintsoa Andriamasinoro, Vincent Levorato

To cite this version:

Fenintsoa Andriamasinoro, Vincent Levorato. Appréciation de l’intérêt du secteur minier pour les

SMA pour l’analyse prospective du marché des métaux stratégiques. JFSMA’14 : 22èmes Journées

Francophones sur les Systèmes Multi-Agents, Oct 2014, Loriol sur Drôme, France. pp.N/A. �hal-

01020898�

Appréciation de l’intérêt du secteur minier pour les SMA pour l’analyse prospective du marché des métaux

stratégiques

F. Andriamasinoroa V. Levoratob

f.andriamasinoro@brgm.fr vlevorato@cesi.fr a BRGM – Direction des GéoRessources

3 avenue Claude Guillemin, 45060 Orléans – La Source, France bCESI Recherche

959 rue de la Bergeresse – 45160 Olivet, France

Résumé

Cet article synthétise et discute les premiers résultats d’une réflexion méthodologique qui a été menée sur le niveau d’intérêt que porte le secteur minier sur l’adoption des SMA pour une analyse prospective du marché des métaux dits stratégiques (c'est-à-dire des mé- taux qui pourraient se raréfier en raison de possibles quota d’exportations imposés par leurs producteurs). En résultats, après propo- sition d’un modèle SMA dit minimal, l’acceptation des SMA par le secteur, dans un cadre opérationnel, est prometteuse mais de- meure un défi.

Mots-clés : SMA minimal, secteur minier, acceptation

Abstract

This paper summarises and discusses our first results regarding the methodological consid- eration of MAS by mining sector for a pro- spective analysis of strategic metals’ markets (i.e. metals which may be a subject of possible restriction quotas by their producers). As re- sults, after a demonstration of a MAS model, defined as minimal, to the sector, convincing it to integrate the approach at an operational level is promising but remains a challenge.

Keywords: minimal MAS, mining sector, ac- ceptance

1 Introduction

Certaines ressources minérales de type mé- taux sont aujourd'hui devenues particulière-

ment stratégiques en raison du risque de leur raréfaction sur le marché mondial. En effet, des pays producteurs de ces ressources pour- raient mettre en œuvre des quotas sur leur exportation pour des raisons purement poli- tiques ou environnementales. Tel est le cas par exemple de la Chine avec les Terres rares (restriction déjà effective [7]) ou le Chili avec le lithium [3] (restriction encore hypothétique mais pas impossible). Ces quotas suscitent une inquiétude des pays comme la France qui est dépendante en importation de ces res- sources en raison de leur faible quantité sur son territoire. On parle alors de criticité des métaux [8]. Aussi, afin de sécuriser l’accès à ces ressources stratégiques, le gouvernement français a créé un comité de veille pour les métaux stratégiques dont le travail vise, entre autres, à l’élaboration d’un modèle et outil prospectifs qui permettraient l’objectif (no- tons-le OB) suivant : (a) imaginer des scéna- rios de restriction d’exportation par des pays producteurs, (b) identifier ensuite l’ensemble de périodes probables de rupture qui corres- pondrait à ces scénarios respectifs et (c) de trouver les solutions alternatives éventuelles pour compenser les manques induits par ces restrictions, autant sur le marché mondial que sur les industries de consommation en France.

Cet article synthétise et discute les premiers

résultats d’une réflexion méthodologique que

nous avons menée sur le niveau d’intérêt que

porte le secteur minier sur l’adoption de

l’approche SMA pour appréhender cette ana-

lyse prospective du marché des métaux stra- tégiques et les enjeux liés à leur criticité. Le marché étudié à titre d’illustration est princi- palement celui du lithium (en raison de l’arrivée des voitures électriques). Toutefois, l’article peut parfois faire aussi référence à d’autres métaux.

2 Etat de l’art

Différents travaux ont déjà été menés par le secteur minier sur la modélisation écono- mique, à vocation prospective, du marché du lithium, pour traiter la problématique de rup- ture d’approvisionnement. Ces travaux ont été réalisés aussi bien par le monde académique [9, 22] que par des consultants en lithium [15, 20] ou encore par des banques [12] ou par les compagnies productrices [4]. Dans toutes ces études, les côtés productions et consomma- tions ont été estimés uniquement d’une ma- nière indépendante, comme dans la figure 1, et les résultats comparés ensuite arithméti- quement.

F

. 1 - Evolution prospective du marché mondiale du lithium d’ici 2020 selon [20]

Il n’y a donc pas un pilotage réciproque entre l’offre et la demande (c'est-à-dire choix d’une approche non systémique). De plus, tous les travaux ont adopté uniquement l’échelle glo- bale comme niveau de leurs études. Cette situation est également valable pour les autres métaux stratégiques comme l’antimoine ou les Terres rares [14]. En réalité, commencer par cette approche globale est nécessaire car les ressources minérales se trouvent à un ni- veau global. Mais, elle n’est pas suffisante car la connaissance de la quantité disponible au niveau global n’implique pas automatique-

ment celle de la répartition par pays et le comportement en termes d’approvision- nement varie d’un pays producteur à un autre, en fonction de ses intérêts individuels et col- lectifs. En somme, les éléments globaux sont des indications importantes, mais ne peuvent pas répondre entièrement à l’objectif OB, à savoir l’impact des quotas par des pays pro- ducteurs sur des pays consommateurs.

Les SMA sont plus adéquats pour la descrip- tion de ces interactions détaillées. En effet, pour l’analyse sociale et/ou économique, à vocation prospective, des filières ressources naturelles plus généralement, l’approche SMA a été jugée comme adéquate par beau- coup de travaux, de la gestion des ressources en eau [23], à celle des ressources agricoles [19], ou encore à celle des ressources halieu- tiques [16] (ce qui montre l’adéquation a priori de la méthode au type d’application).

Cependant, il a été remarqué que pour la ges- tion des ressources naturelles minérales (en particulier les ressources de types métaux, notre enjeu thématique ici), le secteur minier n’a pas jugé adéquat d’adopter l’approche SMA. Cela se reflète par exemple au niveau des divers centres d’études géologiques dont l’analyse du marché des ressources minérales constitue un volet d’études important. Les centres allemands (BGR) et anglais (BGS) optent généralement pour une approche de modélisation plus classique (mathématique, statistique) [2] ; le centre américain (USGS) a par moment utilisé les SMA mais pour une application dans le domaine de l’écologie [13]

et non des ressources minérales ; et le centre

français (BRGM) a manifesté un premier inté-

rêt pour les SMA [1] mais l’étendue de son

adoption (même à des fins expérimentales) est

encore bien moindre comparée à celle des

autres filières de gestion des ressources natu-

relles, énoncées précédemment. Pourtant,

même à l’échelle macroéconomique (où se

situe le marché des métaux stratégiques) habi-

tuée à adopter des modèles traditionnels basés

sur la recherche d’équilibre global comme le

DSGE [6], des économistes ont observé que

depuis la crise économique de 2008, les SMA

apparaissent plus appropriés pour anticiper une telle perturbation [18], une perturbation dont le cas étudié ici en est une occurrence (étant donné ses conséquences potentielle- ment dramatiques sur les industries de con- sommation).

La question qui se pose est donc : pourquoi cette réticence par le secteur minier vis-à-vis des SMA ? Des premières réponses peuvent être apportées selon deux sources : la littéra- ture et la discussion avec des acteurs du sec- teur minier. La première source est inhérente au contexte du SMA en général (et est donc implicitement valable pour le secteur minier).

Dans la littérature, plusieurs raisons de réti- cence (non exhaustives) sont avancées. Entre autres :

 la valeur de la modélisation en sociologie (qui inclut les SMA) ne semble pas être généralement acceptée et les modélisateurs sont toujours sollicités pour justifier leur approche [17],

 dans l’industrie, la recherche en SMA se positionne, selon l’expérience de [21], dans une communauté isolée, créant ainsi des seuils artificiels lorsqu’il s’agit de convaincre de ses mérites

 construire un modèle d’application à base d’agents est difficile pour ceux qui ne disposent pas de compétences en programmation [11],

 du point de vue d’un utilisateur, la modélisation détaillée d’un problème réaliste peut rapidement aboutir à une simulation compliquée [5].

A propos des raisons fournies suite à nos dis- cussions avec des acteurs du secteur minier, on peut synthétiser leur réticence à leur faible connaissance :

 de la complexité induite par la construction d’un modèle d’application dans un système pouvant contenir de nombreux agents hétérogènes,

 du niveau de facilité/difficulté à pouvoir suivre l’évolution de tout ce système détaillé durant une simulation,

 du temps nécessaire pour l’attente des

résultats de la simulation, un temps qui, du point de vue actuel de ces acteurs, peut varier d’une minute à une semaine,

 de l’appréciation de la qualité de la sortie du modèle, surtout lorsque que le concepteur a transféré un certain

« pouvoir » aux agents (autonomie comportementale) et au SMA lui-même (émergence).

A partir des constats précédents, cet article essaiera de proposer un modèle SMA dit mi- nimal c'est-à-dire un modèle qui (a) aurait la complexité nécessaire pour atteindre l’objectif OB, (b) aurait une valeur ajoutée par rapport à l’état de l’art et en même temps (c) intègre dans la mesure du possible l’approche de mo- délisation classique (mathématique / statis- tique) dont le secteur minier est habitué. Le principe est de montrer auprès du secteur mi- nier la nécessité des SMA mais sur le principe que les SMA devraient être vus non comme une approche dissidente [18] aux méthodolo- gies classiques, mais bien une approche com- plémentaire à celles-ci.

3 Modélisation et simulation

3.1 Sources de données

Le travail de modélisation utilise les données de commerce international en provenance de GTIS [10]. Les données de GTIS présentent les flux entre pays producteurs/ pays de transit puis entre pays de transits/ pays consomma- teurs. Pour mieux exploiter ces données, notre modèle de marché (a) introduira donc égale- ment, outre les pays producteurs et les pays consommateurs, les pays de transit, reliant producteurs et consommateurs, et (b) fonc- tionnera « comme si » les consommateurs adressaient leurs demandes aux transits, même si, dans la réalité, ils s’adressent direc- tement aux producteurs, qui envoient ensuite le produit aux transitaires.

La période choisie se situe entre 2005 et 2013,

et à l’échelle du trimestre (une échelle qui

permettrait d’augmenter le nombre de nos

observations lors des traitements statistiques).

Dans le modèle, les pays qui approvisionnent seront bien appelés des pays producteurs, mais nous n’utilisons ni les valeurs de la pro- duction ni celles de l’exportation. En effet, dans les données GTIS et pour un instant donné, exportations et importations ne sont pas toujours identiques pour des raisons de délai de transport, d’écriture administrative, etc. Ainsi, nous dirons globalement qu’un pays producteur approvisionne la quantité effectivement reçue par le pays consomma- teur, à cet instant (en y ayant éventuellement appliqué des restrictions préalables, lors des scénarios).

3.2 Les éléments de base du modèle Un pays est modélisé comme un agent et est, soit un producteur (pc), soit un consommateur (cc), soit un transitaire (tc). Le système con- tient en tout 

producteurs, 

consomma- teurs et 

transitaires. Un pays peut être dans les contextes suivants : Normal (le cas sans restriction), Restriction (un producteur res- treint), Compensation (un producteur com- pense les manques causés par les restrictions), et Attente (un producteur attend avant de pou- voir compenser). Au départ, chaque pays se trouve dans le contexte Normal.

Outre les pays, le modèle intègre également des agents dits ambassadeurs. Un ambassa- deur A(p1p2) est un agent délégué qui gère les flux échangés entre les pays p1 et p2. Les ambassadeurs ont été introduits car étant don- né la complexité des comportements interne et externe d’un pays et la topologie du sys- tème en général, il nous a semblé difficile de décrire les échanges entre deux pays p1 et p2, à la fois dans p1 et dans p2 surtout que, pour un pays donné, le mode de calcul des échanges varie en fonction du pays interlocu- teur. Une décentralisation (délégation) de la description des échanges nous a donc paru plus appropriée. Enfin, la communication entre les agents se fait formellement via l’échange d’événements. Celui-ci prend la forme evt(e, d, <v1, …, vn>) où e est l’expéditeur, d le destinataire et <v1, …, vn>

une liste de valeurs à acheminer de e vers d.

3.3 Formalisation des contextes 3.3.1 Le contexte normal

Dans ce contexte, aucune restriction ne se produit dans le système. L’interaction entre pays et ambassadeurs, à chaque pas de temps de la simulation, se déroule alors en suivant les 4 phases ci-dessous, les deux premières concernant la demande et les deux dernières l’offre.

Phase 1 : Au départ, chaque consommateur cc

, k{1, 

}, va demander à ses ambassa- deurs A(tc

cc

), j{1, 

}, de calculer la quantité d(tc

cc

) à demander à tous les producteurs pc

, i{1, 

} et dont l’approvisionnement transiterait ensuite par le pays tc

. Pour calculer cette demande dans le temps, l’idée consiste, à ce stade, à interpoler la série temporelle S

des données GTIS sur les demandes de cc

vers tc

, entre 2005 et 2013 et en enlevant de cette interpola- tion le stock A(tc

cc

).s déjà à disposition.

Notons i(tc

cc

, t) la droite de régression qui en résulte. Le processus est résumé dans l’équation 1 où cc

.

est la somme des quan- tités à demander par un cc

à tous les tc

.

Phase 2: quand tc

a reçu, des cc

, les de- mandes {d(tc

cc

), …, d(tc

cc

)}, dont la somme est notée tc

.

(équation 2.a), il les transfère à chaque ambassadeur A(pc

tc

), i{1, 

}. L’ambassadeur calcule ensuite la partie d(pc

tc

) à laquelle pc

devrait ré- pondre. Cette part est ici calculée en étant une combinaison linéaire des demandes d(tc

cc

), k{1, 

}. Elle est formulée dans l’équation 2.b où

d

K

et

d

α

sont les para-

mètres de l’équation linéaire, obtenus par une

régression linéaire des données GTIS corres-

pondant aux variables respectives décrites

dans l’équation 2.b. Ensuite, dû au résidu de

(1)

la régression, il arrive que la somme tc

.

’ de ces parts (calculées) soit différente de la somme initiale tc

.

des demandes qui ont servi au calcul de ces parts. Un ajustement doit donc être effectué par tc

sur d(pc

tc

).

Cela est illustré dans les équations 2.d à 2.e, avec 

la marge d’erreur entre tc

.

’ et tc

.

. En parallèle, la part de marché de la quantité fournie à cc

via tc

est calculée. Notons-le A(tc

cc

).h (équation 2.f). L’intérêt de cette variable est détaillé dans la phase 4.

Phase 3: quand la demande parvient à chaque pc

, ce dernier, en retour, calcule l’offre totale pc

.

qu’il fournit aux demandeurs. Dans ce contexte normal, pc

.

est la même quantité que la somme pc

.

des demandes d(pc

tc

), j{1, 

}. Cette offre est alors envoyée à tous les tc

via leur A(pc

tc

) res- pectif (équation 3). A noter qu’un pc

a une capacité d’offre maximale pc

. . Dans un contexte normal, cette capacité correspond au maximum des offres existantes dans le temps pour pc

. L’intérêt réel de cette variable sera visible dans le contexte de compensation.

a) b)

c) avec

ηpc

i d i j

i 1

i s i d

i i i s i

pc .σ d( pc tc )

pc .σ pc .σ

pc .μ( t ) max( pc .μ( t 1), pc .σ ) pc .μ( 0 ) 0



 



  



(3)

Phase 4: Enfin, quand tc

a reçu les offres des pc

.

, i{1, 

}, dont la somme est notée tc

.

, il calcule et transfère à chaque cc

sa part, via l’ambassadeur A(tc

cc

), k{1,

}. La part à transférer est déterminée par A(tc

cc

).h, obtenue dans l’équation 2 .f.

L’équation 4 résume le processus, dans la- quelle cc

.

est la somme des quantités ap- provisionnant cc

à partir des tc

, j{1, 

}, et cc

.s est le stock total de cc

.

a)

b) c)

tC

j k j s j k

j k j k j k j k

η

k j k k s k d

j 1

s( tc cc ) tc .σ * A( tc cc ).h

A( tc cc ).s A( tc cc ).s s( tc cc ) - i( tc cc ) cc .s A( tc cc ).s cc .σ - cc .σ



  

     





⁽⁴⁾

3.3.2 Le contexte de restriction

Supposons à présent qu’à partir d’un instant t

, un producteur pc

décide de restreindre son offre de pc

.

points (avec 0<pc

.

1). Dans ce cas, pc

passe du contexte Normal à Res- triction et exécute une action pc

.restrict() qui vise à envoyer un événement restrict(pc

, cc

,

< >) à chaque cc

, k{1,

} pour leur infor- mer de la restriction. L’action vise également à envoyer aux autres pc

, via leur ambassadeur A(pc

pc

) i≠r, la quantité non fournie pc

.q

issue de cette restriction. Elle est donnée par l’équation 5 .c. La quantité pc

.

à fournir aux demandeurs durant une restriction est donnée par l’équation 5 .b dans laquelle pc

.

est la demande totale arrivant à pc

.

A partir de cette restriction, le stock cc

.s de chaque cc

va naturellement diminuer (dans ce contexte sans encore de compensation) et sera finalement en rupture. Notons cc

. la rupture cumulée au fil du temps. Quand cc

.s

≤ 0, il est ajouté à cc

. (Equation 5 .d). Pour un pays cc

, la période de rupture est celle durant laquelle sa rupture cumulée cc

. est

< 0. Cela est donné dans l’équation 5 .e, où

k λ

cc .t

est la date de fin de rupture. Enfin, l’équation 5 .f vérifie que la rupture ne peut pas être supérieure à la valeur demandée. Ap- (2)

(5)

pelons cette situation la rupture complète.

3.3.3 Le contexte de compensation

A réception de la restriction imposée par pc

, chaque cc

, k{1, 

} passe du contexte Normal à Compensation et exécute immédia- tement l’action cc

.makeup(). Cette action vise, à chaque pas de temps et tant que cc

.<0, à envoyer un événement demandMa- kingUp(cc

, pc

, <cc

.>) à tous les pc

, i{1,



} avec 



et i≠r. Chaque pc

qui re- çoit le message, soit passe immédiatement du contexte Normal à Compensation et répond en exécutant pc

.makeup() décrit ci-dessous, soit attend un délai pc

. . Dans le dernier cas, il change tout d’abord de Normal à Attente avant de passer de Attente à Compensation, une fois ce délai expiré. Ce délai est dû à di- verses raisons propres à pc

: incapacité à ré- pondre immédiatement, spéculation, etc.

Durant un pc

.makeup(), la quantité totale ts à offrir a priori est donné par l’équation 6 .a. Il est calculé en tant que somme de la demande normal arrivant à pc

, de la quantité non four- nie, obtenue de pc

(cf. section 3.3.2), de la somme des stocks à compenser, obtenue de tous les événements demandMakingUp (cf.

ci-dessus), et le poids du pc

par rapport aux autres producteurs compensateurs. Ce poids est noté pc

. (en %).

La valeur finale pc

.

à offrir (compensation incluse) est alors évaluée dans l’équation 6 .b dans laquelle pc.

est le taux de compensa- tion. L’équation 6 stipule que si ts est en-deçà de la capacité pc

. obtenue dans l’équation 3.c, ts est la capacité finale à fournir. Sinon, une augmentation de cette capacité est requise (cf. équation 6 .b). Par conséquent, la capacité

maximale pc

. est mise à jour (équation 6 .c).

3.4 Simulation

3.4.1 Initialisation des valeurs utilisées Les pays producteurs (pc

) sélectionnés pour la simulation sont le Chili (cl), la Chine (cn) et les Etats-Unis (us). Ces pays sont vus par GTIS comme étant ceux qui approvisionnent régulièrement la France avec des quantités élevées (25 t/trimestre). A ces pays s’ajoute un pays (virtuel) que l’on appellera le reste du monde (rw) et qui regroupe tous les pays pro- ducteurs restants, dans le monde. Ainsi, 

=4. La quantité approvisionnée par rw est la quantité mondiale, diminuée de la quantité fournie par cl, cn et us. Font partie de rw, les pays qui approvisionnement la France mais en quantité très faible (ex : Espagne), ou encore les pays qui produisent en quantité impor- tante, mais qui n’approvisionnent pas la France dans le marché actuel (ex : Argentine).

Les pays consommateurs (cc

) sont la France (fr), sujet de notre étude et, de nouveau, le reste du monde (rw), regroupant tous les con- sommateurs autres que la France. Ainsi,



=2. La quantité consommée par rw est la quantité mondiale consommée, diminuée de celle de la France.

Les pays intermédiaires (tc

) sont la Belgique (be), l’Allemagne (de), le Royaume-Uni (uk), l’Italie (it) et les Pays-Bas (nl). Ainsi, 

=5.

L’analyse des données GTIS a montré que ce sont via ces intermédiaires que les pays pro- ducteurs sélectionnés ci-dessus font principa- lement transiter le lithium vers la France.

Tous les ambassadeurs sont ensuite naturel- lement crées pour connecter tous ces pays (rw inclus) conformément aux formalismes dé- crits précédemment dans cet article.

Le pas de temps de simulation est le trimestre.

On notera, par exemple, 2/2019, le trimestre 2 de l’année 2019.

3.4.2 Les scénarios prospectifs

Le scénario prospectif (fictif) proposé est le

suivant : on suppose qu’à partir de 2014 (=t

),

le Chili restreint son taux

(6)

d’approvisionnement de cl.

points. Suite à cette situation, la Chine accepte de faire une compensation d’un taux de cn.

points, im- médiatement, i.e. cn.=0, et les Etats-Unis également, d’un taux de us.

points, mais seulement à partir de 2016, i.e. cn.=8 (tri- mestres). Enfin, toute augmentation des de- mandes fr.

et rw.

, le cas échéant, se dé- roule en début 2014 (=fr.t

= rw.t

). Le but de la simulation consiste alors, en variant la valeur de ces taux, à trouver la période de rupture en France et dans le reste du monde.

Une simulation s’écrira formellement comme suit (exemple de la France) :

=fr(-cl.

, +cn.

, +us.

, +fr.

). Pour chaque simula- tion réalisée, la lecture du résultat se fait comme suit : pour chaque compensation cn.

et us.

, et pour chaque augmentation fr.

et rw.

, les temps de fin de ruptures pour la France et le reste du monde seront respecti- vement de

et de

. Mais on peut aus- si faire la lecture inverse suivante : si l’on souhaite que la période de rupture ne dépasse pas

pour la France et

pour le reste du monde, les Etats-Unis et la Chine de- vraient augmenter leur taux de compensation d’au moins cn.

et de us.

respectivement et les augmentations de la demande ne devraient pas aller au-delà de fr.

et rw.

respective- ment.

La table 1 montre en détail la liste des diffé- rentes instances de scenarios proposées dans cet article. Une instance est composée d’un identificateur (écrit entre parenthèses), la va- leur de la restriction par le Chili et la valeur de la compensation, respectivement par la Chine et par les Etats-Unis. La valeur choisie dans cette table permet aussi à un décideur politique d’analyser la sensibilité du marché du lithium après une variation importante des indicateurs (ex ici, des divers taux).

A titre d’information complémentaire, notre calage avec les données GTIS et nos expéri- mentations additionnelles nous ont permis d’assigner les valeurs 35% et 65% respecti- vement à us. et cn..

3.4.3 Résultats

La figure 2 montre les dates de fin de la rup- ture

pour le reste du monde. Par exemple, dans le scénario (f), cette rupture serait d’environ 40 trimestres (10 ans). A no- ter que la valeur de 13,000 (en t/trimestre), en valeur absolue, représente approximativement la demande moyenne en lithium de rw (selon les données GTIS). Il signifie par exemple que dans le scénario (f), au moment du pic d’une période de rupture, il y a une valeur d’environ (13,000-5,800) t/trimestre de li- thium (un peu plus de 50 %) qui est fournie à ce consommateur.

T

. 1 - Liste de tous les scénarios, une instance étant composée d’une restriction par le Chili (cl) suivie d’une compensation par la

Chine (cn) et les Etats-Unis (us)

id -cl.s +cn.p +us.p

(a) -0.15 +0.3 +0

(b) -0.4 +0.3 +0

(c) -0.15 +0.1 +0

(d) -0.4 +0.1 +0.5

(e) -0.4 +0.1 +0.1

(f) -0.4 +0.1 +0

F

. 2 - Evolution prospective du stock de

lithium dans le reste du monde

La figure 3 est « l’équivalent France » de la figure 2 avec une demande moyenne d’environ 350 t/trimestre (selon les données de GTIS). Ici, la France atteint une rupture complète dans tous les scenarios où la restric- tion par le Chili est élevée (-0.4), i.e. (b), (d), (e) et (f), et avec une durée différente. Si l’on se réfère uniquement à ces résultats, la France ne devrait pas s’inquiéter d’une éventuelle rupture prolongée de son approvisionnement en lithium, si une restriction chilienne sur- vient. En effet, même si la figure 3 indique différentes situations de rupture, le reste du monde, au même moment, reste approvision- né au moins autour de 50% de ses besoins et ajouter la France à la liste des pays approvi- sionnés ne devrait pas être un problème. Le travail [3] concluait déjà que le risque de rup- ture est faible pour la France, mais ils n’ont cependant pas analysé les effets d’un scénario d’une restriction effective. Notre résultat complète donc cette analyse.

4 Discussions

Comme indiqué dans la section 2, le modèle proposé ici, conçu dans un objectif d’une meilleure chance de l’appropriation des SMA par le secteur minier, est ce que l’on pourrait appeler un SMA minimal c'est-à-dire un mo-

dèle qui (a) aurait la complexité nécessaire pour atteindre l’objectif OB, mais (b) en inté- grant dans la mesure du possible l’approche de modélisation classique (mathéma- tique/statistique) dont le secteur minier est habitué. De notre point de vue, l’atteinte de ces deux niveaux est en bonne voie.

4.1 A propos de l’apport du modèle D’un côté, ce travail a en effet permis, grâce à la complexité inhérente aux SMA, de visuali- ser, mieux que l’état de l’art (section 2), les impacts du comportement des pays produc- teurs (en particulier les restrictions et les compensations), sur les pays consommateurs.

D’un autre côté, ce travail intègre dans la me- sure du possible des approches statistiques, pour décrire, non plus un phénomène global, mais le comportement de certains agents, là où l’approche est appropriée. Cela concerne notamment les ambassadeurs. Nos tests de régression linéaire ont été utilisés dans cet objectif. Au final, nous avons un système où certains agents se comportent d’une manière linéaire (ambassadeurs, pays de transit) pen- dant que d’autres (pays producteurs et con- sommateurs) possèdent des comportements plus complexes et plus discrets, qui dépendent de leur contexte.

4.2 A propos de l’acceptation du modèle L’intention de faire accepter les SMA est ap- préciée par le secteur mais le résultat ne serait néanmoins visible dans un cadre opérationnel que vers le moyen-terme. Dans l’immédiat, le constat observé globalement au niveau des acteurs thématiques reste la réticence. En ef- fet, un autre problème émerge : la non con- fiance de ces experts quant à la fiabilité des données qui a servi à élaborer le modèle. En effet, les experts, pour valider ces résultats dans un cadre opérationnel (aide en appui aux politiques publiques ou aux industriels), sou- haitent croiser différentes sources de données.

Or, vu qu’une modélisation du marché des métaux industriels à une échelle inter-pays n’a auparavant quasiment pas existé, bon nombre de fournisseurs de données ont tou- jours jugé non-opportun la construction (et/ou F

. 3 - Evolution prospective du stock de

lithium en France

la mise en avant) de la base de données cor- respondante, ce qui n’est pas le cas dans des études du niveau purement global (cf. la sec- tion 2) où les sources de données sont nom- breuses. De plus, lorsqu’on agit à un niveau hétérogène, des données peuvent être confi- dentielles, décomposées selon des critères variables d’un pays à l’autre. Une étape né- cessaire mais pas forcément suffisante par rapport à l’acceptation concernera donc la recherche et le croisement d’autres sources de données avec celle de GTIS.

5 Conclusions

Certaines ressources minérales de type mé- taux (lithium, terres rares …) sont aujourd'hui devenues particulièrement stratégiques pour le secteur minier en raison du risque de leur raréfaction sur le marché mondial car des pays producteurs de ces ressources pourraient mettre en œuvre des quotas sur leur exporta- tion. Pour faire face aux conséquences pos- sibles de ce comportement, la France qui est dépendante en importation de ces ressources a réfléchi à l’élaboration d’un modèle et outil prospectifs qui permettraient d’imaginer les impacts (manque, durée) de ces scénarios de restriction sur les pays consommateurs.

Cet article visait à synthétiser et à discuter les premiers résultats d’une réflexion méthodolo- gique qui a été menée sur le niveau d’intérêt que porte le secteur minier sur l’adoption de l’approche SMA pour appréhender une telle problématique. L’état de l’art a montré que le niveau d’intérêt est faible. L’article a alors proposé un modèle SMA dit minimal qui (a) aurait la complexité nécessaire pour atteindre l’objectif voulu par l’outil (b) mais intègre dans la mesure du possible l’approche de mo- délisation classique (mathématique / statis- tique) dont le secteur minier est habitué.

Après implémentation de ce modèle, le résul- tat observé reste toujours de la réticence en raison de la non confiance des experts théma- tiques quant à la fiabilité des données – de source unique, sans comparaison possible pour l’instant – utilisées par le modèle, sur- tout si c’est à usage opérationnel. En somme,

le chemin vers une acceptation des SMA par le secteur minier est encore long mais toute- fois prometteur. En effet, la démarche est ap- préciée. C’est son utilisation dans un cadre opérationnel sans validation et justification complémentaire qui constitue pour l’instant un frein.

En ce qui concerne les perspectives du mo- dèle, il sera testé l’intégration d’autres para- mètres de la criticité [8] comme le prix, les réserves minières ou les risques géopolitiques.

De plus, les réflexions sur les mécanismes suivants sont en cours pour faire progresser le modèle vers plus de SMA (et le processus d’acceptation associé) : (a) un mécanisme de formation des liens entre producteurs et con- sommateurs, décidée après échanges de con- naissances (de nature géologiques, écono- miques, sociaux, politiques, etc.) et négocia- tions (ex : pour établir les quantités à échan- ger et le prix) ; et (b) un mécanisme décrivant ensuite la perception par un producteur (res- pectivement par un consommateur) de l’évolution de sa relation avec les consomma- teurs (respectivement les producteurs). Pour un producteur, cela lui permettrait de pouvoir choisir délibérément les agents consomma- teurs à ensuite restreindre/compenser. Pour un consommateur, cela lui permettrait de décider, en cas de restriction, vers qui mieux se tour- ner pour demander quelle part de la quantité à compenser. A ces effets, le comportement d’un ambassadeur pourrait être davantage complexifié pour la mémorisation (apprentis- sage) et l’analyse de ces relations multicri- tères et dynamiques entre deux pays. Toutes ces mises en relation se feraient d’une ma- nière endogène, et non comme dans le modèle actuel (où, par exemple, dans l’application choisie, la coordination de la compensation entre Etats-Unis et Chine est pilotée plutôt par l’utilisateur).

Références

[1] Andriamasinoro, F. & Angel, J.-M. (2012).

Artisanal and small-scale gold mining in

Burkina Faso: suggestion of multi-agent

methodology as a complementary support in

elaborating a policy. Resources Policy, 37(3), 385-396.

[2] Brown, T., McEvoy, F. & Ward, J. (2011).

Aggregates in England — Economic contribution and environmental cost of indigenous supply. Resources Policy, 34(4), 295–303.

[3] Daw, G. & Labbé, J.-F. (2012). Panorama 2011 du marché du lithium. Rapport final, BRGM/RP-60460-FR. 157 p., 51 fig., 30 tab.

[4] De Solminihac, P. (2010). SQM view of the lithium industry. In Proceedings of The 2nd Lithium Supply & Markets Conference. Las Vegas: LSM.

[5] Farmer, J. & Foley, D. (2009). The economy needs agent-based modelling. Nature, 460(7256), 685–686.

[6] Fernández-Villaverde, J. (2010). The econometrics of DSGE models. SERIEs, 1, 3- 49.

[7] Giacalone, J. (2012). China, The World Trade Organization, And The Market For Rare Earth Minerals. In Proceedings of The 2012 International Academic Conference (pp.445- 452). Las Vegas: IAC.

[8] Graedel, T. E., Chandler, C., Barr, R., Chase, T., Choi, J., Christoffersen, L., Friedlander, E., Henly, C., Jun, C., Nassar, N. T., et al. (2012).

Methodology of Metal Criticality Determination. Environmental Science &

Technology, 46(2), 1063-1070.

[9] Gruber, P., Medina, P., Keoleian, G., Kesler, S., Everson, M. & Wallington, T. (2011). Global Lithium Availability: A Constraint for Electric Vehicles? Industrial Ecology, 15(5), 760-775.

[10] GTIS (2013). Online market database.

https://www.gtis.com/gta/.

[11] Hamill, L. (2010). Agent-based modelling: the next 15 years. Journal of Artificial Societies and Social Simulation, 13(4).

http://jasss.soc.surrey.ac.uk/13/4/7.html.

[12] McNulty, J. & Khaykin, A. (2009). Extracting the Details on the Lithium Market.

http://www.docstoc.com/docs/12415608/Lithiu m.

[13] Mooij, W., Bennetts, R., Kitchens, W. &

DeAngelis, D. (2002). Exploring the effect of

drought extent and interval on the Florida snail kite: interplay between spatial and temporal scales. Ecological Modelling, 149, 25-39.

[14] Roskill. (2011). Rare Earths & Yttrium: Market Outlook to 2015.

[15] Roskill. (2009). The Economics of Lithium.

[16] Soulié, J.-C. & Thébaud, O. (2006). Modeling fleet response in regulated fisheries: an agent- based approach. Journal of Mathematical and Computer Modelling. Elsevier, 44(5-6), 553- 564.

[17] Squazzoni, F. (2010). The impact of agent- based models in the social sciences after 15 years of incursions. Sociological Methodology, 2(2), 1-23.

[18] The Economist (2010). Agents of change:

Conventional economic models failed to foresee the financial crisis. Could agent-based

modelling do better?

http://www.economist.com/node/16636121.

[19] Torii, D., Ishida, T. & Bousquet, F. (2006).

Modeling agents and interactions in agricultural economics. In Proceedings of the 5th international joint conference on Autonomous agents and multiagent systems (pp.81-88).

Hakodate: AAMAS, ACM New York.

[20] Tru (2011). Shocking Future Battering the Lithium Industry through 2020. In Proceedings of the 3rd Lithium Supply & Markets Conference. Toronto: LSM.

[21] Weyns, D., Helleboogh, A. & Holvoet, T.

(2009). How to get multi-agent systems accepted in industry? International Journal of Agent-Oriented Software Engineering, 3(4), 383-390.

[22] Yaksic, A. & Tilton, J. (2009). Using the cumulative availability curve to assess the threat of mineral depletion: The case of lithium.

Resources Policy, 34(4), 185-194.

[23] Yang, Y., Zhao, J. & Cai, X. (2010). A Multi-

Agent System Based Model for Water

Allocation Management in the Yellow River

Basin. In Proceedings of The World

Environmental and Water Resources Congress

(pp.2656-2663). Rhode Island: EWRI.